人工智能进化路线的终点——与人脑同等智力的机器智能，研究者们总因一步之遥而望洋兴叹。科学家攻克了机器模拟人脑逻辑推算的全部功能，这方面AI做得甚至优于人类本身，但面对重构人类与生俱来的右脑思维，这项工程犹如不可能完工的巴别塔。

　　几个例子来一窥其艰巨，直播，尽管这不是问题的全部。首先是博弈论与理想化模型。博弈论是应用数学的一个分支，它的参与者是“理性经济人”，是恪守严格优势策略的绝对理性人格，那么同样“绝对理性”的机器算法似乎是最合适的博弈参与者。

　　但是问题在于博弈环境的构建并非循规蹈矩，用于实践的理想化模型永远与现实存在差异。如果说机器是完全恪守逻辑的，那么其只能在堆叠理性的基础上不断建模，试图接近人类特征。但这样的结论是AI所拥有的知识永远只是人类知识的一个子集，让AI下棋容易，要想剖析人性的复杂和社会的迁演则难于登天。事实上这也是博弈论的弱点，但并非错误。

　　另一个例子是信息熵。上世纪中叶香农将热力学的熵引入到信息论是件伟大的事，这至少让后来的AI研究者有了度量工程复杂的手段。

　　简而言之，在信息论里，熵是对不确定性的测量度量；换句话说，熵值越高，能传输的信息量越多，反之则越少。比方说，英语文本数据流的熵比较低，这意味着即使不通读全句，也能够预测这句话的意思。英语文本每字母需要8bit编码，但是它的熵只有4.7bit，而中文熵则高达9.65bit，因为同等单位中文所包含的信息量要高得多。

　　由此可以解释一些事情，一些文字使用者（比如学术研究、翻译小组）总是抱怨机翻的水平低得吓人。事实上，这些年机翻的表现已经有了很大提升，至少能让一个完全不懂第二语言的人彻底明白机翻的意思。但是要尽善尽美，恐怕还有相当距离。

　　另外，许多研究者早已察觉，人工智能最大的瓶颈在于人类对本身大脑认知的缺失。迄今为止，科学家仍无法解释诸如人脑意识是如何产生、潜意识是如何运作等问题。

　　但有一点可以肯定的是，关于右脑思维、直觉、感知、协调性、想象力等等，这些毫无疑问与记忆有关，准确说是与经验有关。

　　所以当经历了“中文房间”的嘲讽之后，研究者开始改变思路，人工智能的方向从“推理”转向以“知识”和“学习”为重点。今天我们看到人工神经网络已初显成效，决策树、蒙特卡罗模拟这些方法被广泛运用，人类对AI的热情被再度点燃。

　　尽管我们仍无法得知沿着这条线路能否抵达人工智能的进化终点——与人脑同等智力的机器智能，但AI进化过程所衍生的新技术在大众消费以及专有领域已为世人享之不尽。或许，我们真正所追求的并非最初想要的结果。

　　最后

　　跟随阿姆斯特朗出舱第二个踏上月球的宇航员奥尔德林在接受记者关于火星登陆难题的采访时曾说：

　　“如果我们只是去了就回、下一次再去，国会也许就会说：‘我们已经到过火星了，可以把钱用在其他地方了。’你懂的，这就是政治，美国政客们总是希望花钱搞些新的东西。”

　　技术革新总是在人类的现实博弈面前且行且缓，用尚未到来的“历史进程”一词来解释，恐怕最恰当不过了。